一种面向连续异构环境下载货无人机搭载载荷稳定性约束的混合A*–APF路径规划框架

《Drones》:A Hybrid A*–APF Path Planning Framework with Payload Stability Constraints for Cargo UAVs in Continuous Heterogeneous Environments

【字体: 大 中 小 】 时间:2026年07月15日 来源:Drones 5.2

编辑推荐:

  针对连续室内–室外异构环境下的载货无人驾驶航空器(Unmanned Aerial Vehicles, UAVs)路径规划存在一个关键挑战:在保持导航效率的同时,于急转弯与突变量高差变化中保障载荷稳定性。为此,研究人员提出一种混合A–人工势场(Artificia

  
针对连续室内–室外异构环境下的载货无人驾驶航空器(Unmanned Aerial Vehicles, UAVs)路径规划存在一个关键挑战:在保持导航效率的同时,于急转弯与突变量高差变化中保障载荷稳定性。为此,研究人员提出一种混合A–人工势场(Artificial Potential Field, APF)路径规划框架,将轨迹平滑优化直接嵌入规划过程而非作为后处理步骤。研究人员通过在点质量代价函数中引入轨迹平滑项以惩罚全局路径生成期间的急转弯,从而改进A算法;所得路径进一步通过增强型APF方法(含虚拟目标点与多场力合成以缓解局部极小陷阱)进行细化。此外,研究人员采用Ramer–Douglas–Peucker算法剔除冗余航点,并引入基于B样条(B-spline)插值与最小加加速度(Minimum Snap)优化的轨迹生成模块以产生平滑且动态可行的轨迹。数值仿真结果表明,在室内仓库环境中,所提方法较标准A算法平均转弯角降低88.4%(降至23.1°),同时保持135.11 m的可比路径长度;在大规模室外城市场景中,该方法实现0.0124的路径平滑度与40.0°的平均转弯角,在转弯角表现上显著优于遗传算法(Genetic Algorithm, GA, 104.6°)与粒子群优化(Particle Swarm Optimization, PSO, 83.5°),且计算时间在0.52–1.51 s之间具有竞争力。消融研究证实,改进A与增强APF组件分别独立贡献于转弯角降低与局部极小逃逸,二者集成在所有指标上产生最优平衡。这些结果指明了所提框架在需无缝室内–室外过渡且受载荷稳定性约束的UAV末端配送场景中的有效性。
研究背景方面,随着无人驾驶航空器(Unmanned Aerial Vehicles, UAVs)技术进步与低空空域监管放松,无人机物流成为解决末端配送成本高企的重要方案,末端配送占航运总成本高达53%。现有研究多孤立处理室内与室外环境,室内导航依赖高精地图与GPS拒止条件下的定位,室外则关注大尺度与能量感知规划,二者在空间尺度、坐标框架、障碍密度与传感器模态上存在突变边界,缺乏统一连续域规划框架。同时,传统路径规划算法多优化几何准则(如路径长度、避障、计算效率),将UAV视为点质量代理,忽视任务特定物理约束尤其是载荷稳定性;急转弯诱发离心力激发悬挂载荷摆动,突变量高差变化威胁货物完整性与附着安全,而载荷稳定性多被作为后验验证而非规划目标嵌入。此外,普遍采用的轨迹平滑后处理无法从拓扑层面改变路径固有曲折特性,残留航向变化仍可能激发载荷振荡。因此,建立统一室内–室外规划架构、将平滑度作为首要目标嵌入搜索、集成全局–局部–轨迹生成于一体成为亟待解决的问题。
研究人员开展了一种面向连续异构环境下载货UAV的混合A–APF路径规划框架研究,该框架由改进A全局规划、增强APF局部细化与基于B样条(B-spline)插值和最小加加速度(Minimum Snap)优化的轨迹生成三模块紧密耦合而成,并在室内仓库(100 m × 100 m × 5 m,1 m分辨率)与室外城市(2000 m × 2000 m × 100 m,20 m分辨率)场景中通过MATLAB R2024a数值仿真,对比标准A、遗传算法(Genetic Algorithm, GA)、快速扩展随机树(Rapidly-exploring Random Tree, RRT)、粒子群优化(Particle Swarm Optimization, PSO)、基本人工势场(Artificial Potential Field, APF)、蚁群优化(Ant Colony Optimization, ACO)、Theta、Informed RRT共9种算法,沿路径长度、节点数、规划时间、路径平滑度、转弯次数、平均转弯角6项指标评价,并开展消融研究与参数敏感性分析。结论表明该框架在室内将平均转弯角降低88.4%至23.1°且路径长度135.11 m可比,在室外实现0.0124平滑度与40.0°平均转弯角,计算时间0.52–1.51 s,消融研究证实各组件独立贡献且集成最优,参数敏感性分析确定轨迹平滑权重系数λ=1.0为最优,在动态障碍、定位噪声与侧风扰动下亦表现出载荷稳定性优势,为受载荷稳定性约束的末端配送提供可扩展方案,论文发表于《Drones》。
主要关键技术方法包括:1)改进A*算法:在代价函数中嵌入轨迹平滑惩罚项(α·Pturn,α=1.0),采用自适应启发式函数(依障碍覆盖率ρ调整权重),引入变步长策略(步长∝剩余距离/5,结合Bresenham线算法回滚碰撞检测)与跳跃点搜索(Jump Point Search, JPS)剪枝;2)增强APF方法:引入记忆力场与虚拟目标吸引力以多场力合成克服局部极小,配备多向探索、随机跳跃与自适应步长(0.1–0.8),依据三维障碍密度感知动态调整斥力影响距离;3)轨迹生成:采用Ramer–Douglas–Peucker(RDP)算法消除冗余航点,基于三次B样条(k=3)插值保证曲率连续并施加最小转弯半径约束,通过最小化四阶导(Snap)的最小加加速度(Minimum Snap)优化获得位置、速度、加速度、加加速度连续的动态可行轨迹;4)室内–室外边界过渡机制:结构化出口区、约束感知垂直上升段与分辨率匹配轨迹拼接实现无缝导航;仿真平台为Windows 11下MATLAB R2024a,硬件为AMD Ryzen 7 7435H与NVIDIA RTX 4060。
研究结果部分保留原文小标题并说明如下:
  1. 5.
    Simulation Results and Analysis
    研究人员在代表性能量(AMD Ryzen 7 7435H, NVIDIA RTX 4060, 16 GB DDR5)与MATLAB R2024a环境下,于室内仓库与室外城市及全程配送三种场景对各算法独立运行10次统计评价。通过6项指标定量比较发现,室内场景中混合A–APF路径长度135.11 m、平均转弯角23.1°、转弯次数4.0、平滑度0.0168,优于标准A(45.0°, 16.0次, 0.1444)与Theta(33.8°, 5.2次, 0.0512),Informed RRT虽降转角至28.5°但平滑度0.0418且存路径长度标准差±6.12 m;室外场景中混合框架路径长度6500.42 m、平滑度0.0124、平均转弯角34.7°,标准A为49.5°,Theta平滑度0.0118但转弯次数48.4,Informed RRT转角25.8°但长度波动±235.42 m,粒子群优化(Particle Swarm Optimization, PSO)最短6453.60 m但转角81.0°且耗时2.064 s;全程配送中混合框架长度6770.94 m、平滑度0.0130、转角37.8°、耗时1.409 s,Theta长度6921.67 m、转角40.3°,Informed RRT转角26.8°但转弯138.7次、长度7232.91 m,PSO最短6580.30 m但耗时3.494 s,基本APF最长11968.19 m,蚁群优化(Ant Colony Optimization, ACO)耗时24.066 s且节点309863。综合得分F-box图显示混合框架中位最低且四分位距最窄,Theta次之,Informed RRT*分布较宽,Tukey HSD检验证实混合框架显著优于其余(p<0.05);雷达图表明混合框架六维覆盖面积最小,各单一算法仅孤立维度占优。
5.2.5. Ablation Study
研究人员设基准模型(标准A+标准APF)、变体1(改进A+标准APF)、变体2(标准A+增强APF)与所提混合算法四配置,同用B样条与最小加加速度(Minimum Snap)后处理,在复杂城市场景测路径长度、平滑度、平均转弯角、计算时间。结果显示基准模型平滑度与转角最差且易陷局部极小;变体1因改进A转弯惩罚使平均转弯角显著降低,证明全局嵌入平滑项有效;变体2因增强APF多场力与虚拟目标减少局部极小逃逸提升局部收敛与避障鲁棒;混合算法协同二者达最高平滑度与最低转角且未损路径效率,轨迹对比在密集障碍簇中混合框架路径最安全平滑且动态可行。
5.3. Parameter Sensitivity Analysis
研究人员固定其余参数,将轨迹平滑权重系数λ在[0,3.0]以0.5步进于室内仓库运行15次,记录路径长度L、转弯次数C、平均转弯角A、平滑度S、计算时间T与综合F。结果显示λ从0增至1.0时平均转弯角由48.2°锐减至23.1°、平滑度显著提升,λ>1.5后平滑边际改善递减而路径长度线性增加(L↑),综合F在λ=1.0处最小,单因素方差分析与Tukey HSD(p<0.05)证实λ=1.0较λ=0显著优且λ≥1.5无显著增益,故选定λ=1.0为标准权重。
5.4. Robustness Evaluation in Dynamic and Noisy Environments
研究人员在室外城市模型(2000 m×2000 m, 20 m分辨率)中测过渡点至投递点段,于动态障碍、定位噪声与侧风三方面评估。动态障碍引入半径15 m、速5 m/s横穿无人机航路之入侵者,基本APF延迟响应致路径1112.1 m、最大载荷摆角46.1°;混合框架借轨迹平滑(α·Pturn)与动态APF斥力(ρobs调节)主动规避,路径765.8 m、耗时0.13 s、最大摆角24.2°(均值8.04°)、距威胁最小186.9 m。定位噪声于每3 m采样点加零均值高斯白噪声σ=2 m至XYZ,传统线性插值致路径膨胀至2824.2 m、最大曲率1.6362 rad/m、平均航向率72.0 °/s;混合框架以B样条与控制点间隔25 m滤波生成839.4 m连续轨迹,最大曲率0.5454 rad/m、平均航向率21.2 °/s(最大252.9 °/s,标准差37.5 °/s)。侧风施加XY平面高斯侧向阵风(Aw=45 m, μ=40%L, σw=200 m),等效侧向过载alat=v2/R(v=5 m/s)阈值0.3 g;传统APF呈V形锐校正致最大121.231 g(RMS 11.352 g),混合框架以B样条(控制点间隔30 m)平滑为S形恢复,最大0.767 g(RMS 0.128 g),均在安全界内。
讨论部分总结:研究人员指出混合A–APF性能优势源于协调全局最优与局部运动约束,改进A嵌入轨迹平滑惩罚(α·Pturn)抑制急弯节点扩展,增强APF多场力合成与虚拟目标吸引力破解经典局部极小;与先进算法比,Informed RRT虽转角26.8°但路径长度标准差±241.54 m与转弯138.7次反映采样法缺航向连续约束,Theta平滑度0.0512优于标准A的0.1444但节点扩展1852高于改进A的643且缺转弯惩罚与APF细化,粒子群优化(Particle Swarm Optimization, PSO)最短路径但转角81.0°,蚁群优化(Ant Colony Optimization, ACO)耗时24.066 s不适用实时;工程上室内转角降88.4%显著抑载货摆振与内货位移,统一高精室内网格与大尺度3D城市模型填补仓库出口过渡空白;局限在于框架处轨迹规划层,侧加速、航程、航迹倾角作规划级几何约束而非显式六自由度动力学、气动扰动与闭环控制,当前仅数值仿真,未来将用软件在环(Software-in-the-Loop, SITL)与硬件在环(Hardware-in-the-Loop, HIL)基于PX4或ArduPilot验证,并研自适应速度规划联合几何与巡航速度优化及纳入六自由度动力学、姿态控制、悬挂载荷动力学与能量感知优化。
研究结论部分翻译:本研究提出一种面向连续室内–室外异构环境下运行之载货无人驾驶航空器(Unmanned Aerial Vehicles, UAVs)的稳定性感知混合路径规划框架。通过集成改进A算法与增强人工势场(Artificial Potential Field, APF)方法,所提方法有效结合全局路径最优性与局部避障能力。此外,轨迹平滑度被显式纳入规划过程,并采用基于样条之轨迹生成策略以确保动态可行性与载荷稳定性。在代表性物流场景中之数值仿真结果证明了所提框架的有效性与鲁棒性。在受限室内环境中,该方法较标准A算法在保持可比路径长度之同时将平均转弯角降低88.4%;在大规模室外环境中,其在路径平滑度与转弯效率上持续优于传统元启发式与采样基方法,且不牺牲计算效率。所提框架为受稳定性敏感之UAV物流应用(尤涉及易碎载荷之末端配送场景)提供实用且可扩展之解决方案。通过在统一规划范式内显式处理室内与室外环境间之过渡,本工作有助于推进复杂现实环境中可靠UAV导航之发展。尽管如此,本研究存在若干局限:当前框架主要在仿真环境中验证,未完全考虑动态障碍、传感器噪声与环境扰动等现实不确定性;未来工作将聚焦现实实验验证、自适应参数调优与基于学习策略之融合以进一步增强鲁棒性与自主性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号